4.1 RFM 模型的概念

RFM 模型是一个传统的数据分析模型，沿用至今约 60 年。

1961 年，乔治·卡利南在顾客的资料库中指出，最近一次消费、消费频率、消费金额三项数据可以较为客观地描绘顾客的轮廓。

企业针对近期有消费的“新客”、消费频率高的“常客”、消费金额高的“贵客”进行精准营销和广告投放，确实收到了意料之外的惊喜。

因此，这三项数据成为了衡量客户价值和客户创利能力的重要工具和手段。也是 RFM 模型的三个重要指标：

1）R（Recency）：最近一次消费时间间隔，指用户最近一次消费时间距离现在的时间间隔；

2）F（Frequency）：消费频率，指用户一段时间内消费了多少次；

3）M（Monetary）：消费金额，指用户一段时间内的消费金额。

 

这里举个例子来说明 3 个指标是什么意思。

小钟有一家店铺，小王是这家店的用户，今天是 12 月 31 号。

小王最近一次在店铺买东西是这个月 12 号，最近一次消费距离现在过去了 19 天，所以小王的最近一次消费时间间隔（R）是 19 天。

如果我们对“一段时间”的定义是 12 月，该月小王在店铺有 2 次消费记录，那么小王的消费频率（F）是 2 次。

小王在 2 次消费过程中共消费 1314 元，则小王的消费金额（M）为 1314 元。

3 个指标针对的业务不同，定义也会有所不同。但是无论是什么业务，各指标都有如下的特征：

1）最近一次消费时间间隔（R）：上一次消费时间离现在越近，再次消费的几率越大。即 R 值越小，用户的活跃度越大，用户的价值就越高；

2）消费频率（F）：购买频率越高，说明用户对品牌产生一定的信任和情感维系。即 F 值越大，用户的忠诚度就越大，用户的价值就越高；

3）消费金额（M）：消费金额越高，说明用户对产品的购买力越大。即 M 值越大，用户的购买力就越大，用户的价值就越高。

有高价值用户的存在，自然也会有低价值用户的存在，即每个指标数据的价值都有高低两种情况。

因此，把 3 个指标的价值组合起来看，会有 2 x 2 x 2 = 8 种组合。

如果把 R、F、M 的价值高低作为坐标轴，可以将用户划分为下图的 8 个类型：

 再将上图中的用户分类进行总结，可以得到下图的用户分类规则表。

 

据 RFM 模型得到用户的分类后有什么用呢？一起来看下它的作用。

4.2 RFM 模型的作用

RFM 模型多用于精细化运营服务。单看 R、F、M 三个指标，其本身已经具备了一定的参考性：

一般来说，比起许久没有消费的顾客，消费时间间隔短的客户再次购买的几率较高。针对这类客户，可以采取唤醒或者刺激消费，如赠送打折券等。

消费频率高的客户，其忠诚度相对较高，可以规律性地提醒这类客户关于产品的一些优惠信息。

消费金额高的客户，客户价值也越高，可以提供专属该类客户的优惠价格。

 

如果根据 RFM 模型将用户细分为 8 类，还能进一步对不同价值的用户使用不同的运营策略，获取并保留关键性用户，针对价值高的客户制定促销策略。

比如重要价值用户，这类用户最近一次消费时间较近，消费频率高，消费金额高，需要提供 VIP 服务和个性化服务，提升品牌形象。

对于一般挽留用户，其最近一次消费时间较远，消费频率低，消费金额低，可以减少该类用户的营销成本和服务预算。

ok，RFM 模型的作用也了解完毕。接下来，我们具体看看 RFM 模型是如何根据用户分类规则表将用户分为 8 类。

4.3 RFM 模型的构建流程

4.3.1 计算 R、F、M 的值

得到 R、F、M 这 3 个指标，一般需要的信息有：用户名称/用户 ID、消费记录（如消费时间、消费金额）。

假设现在是 2020 年 12 月 30 日，分析最近 30 天有进行消费的用户。其中：

用户小许最近一次消费时间是 2020 年 12 月 12 日，与今天的时间间隔为 18 天。在该月总共消费了 2 次，总共消费金额是 2021 元。

用户小王最近一次消费时间是 2020 年 12 月 28 日，与今天的时间间隔为 2 天。在该月总共消费了 5 次，总共消费金额是 10000 元。

我们可以得到两个用户的 R、F、M 值，如下表所示：

 

.3.2 根据 RFM 的阈值，对用户进行分类

首先，我们了解一下什么叫阈值。

阈值，又叫临界值，是指一个效应能够产生的最低值或最高值。

比如日常生活中，煮开水会有一个“沸点”。当温度低于“沸点”时水还没煮开，当温度高于这个“沸点”时，水就煮沸腾了。

 

这里用来区分温度高低的“沸点”，就可以理解为阈值。

而在案例中，对 RFM 各值的高低值进行标记前，需要我们获得 RFM 各值的阈值。

获得阈值，可以对 RFM 各值采取分区域评分，再计算各值平均数的方式，该方式会分为三个步骤：

1）给 R、F、M 各值按价值划分打分区间

这里需要注意的是，我们不是按指标的数值大小打分，而是对指标的价值打分。像最近一次消费时间间隔（R），消费时间间隔最近，即 R 值越小，用户的价值越高。

如何定义打分的范围，需要结合具体的业务来调整。由于这里是举例子来说明，所以我假设 R、F、M 各值按价值从小到大分为 1~5 分，其打分规则如下表：

 

根据打分规则表，给两个用户的 RFM 值进行打分。

 

2）计算价值的平均值

打完分数后，分别计算 R、F、M 各打分值的平均值，结果如下：

 

3）用户分类

最后，我们将两个用户的 RFM 值与各值的平均值进行对比。

如果一行里的 R 值打分大于平均值，就标记该行的 R 值标记为“高”，反之标记为“低”。F、M 值亦是同理。

 再将标记好的 RFM 高低值与用户分类规则表进行对比，可以得出用户属于哪种类别。

 至此，我们学习完 RFM 模型将用户进行分类的操作。你可以查看下图，回顾 RFM 模型的构建流程。

 

在构建 RFM 模型的过程中，有几个注意事项：

1）现实业务，不一定有完整的 RFM 数据，需要通过计算或变换。比如上方的 R 值，我们需要确定一个时间点，并计算该时间点与用户最近一次消费时间才能得到最小时间间隔。

2）划分 RFM 的“高低”值，关键是找到划分的阈值。分析目标的不同，所选择的分析方法也可能不同。

上面的例子中，我们为 RFM 各值进行分区域评分，再计算各评分值的平均值来得到阈值。

而在数据量大的情况下，其实我们也可以通过 R、F、M 各值的原始数据，直接计算平均数或中位数的方式来获得阈值，计算起来也相对简单。

只是选择计算平均数来获得阈值的方式，它有个缺点就是：容易受到极值的影响，无法根据业务需求人为控制。

 这样得到的阈值对 RFM 值进行高低档的标记，会给后面分析得到的用户分类带来误差。

为了不受到极值的影响，可以选择计算中位数来获得阈值。

但中位数也有一个缺点就是：容易受到数据分布的密集程度所影响，无法对分布密集的数据进行深入分析。

由此得出来的结果，可能也会影响到用户的分类。

因此，如果只是简单计算阈值，可以采取平均数或者中位数等方法。

而如果想不受数据分布密度的影响，并根据业务需求和资源进行调整，可以选择分区域评分，再计算平均值的分析方法；

5. 总结

 

基础知识

1）read_excel(io, sheet_name=0)：读取 Excel 文件类型的数据；
2）to_excel(excel_writer, sheet_name='Sheet1', index=True)：将数据写入到 Excel 类型的文件；
3）astype(dtype)：转换数据的类型；
4）replace(to_replace)：批量替换数据。

RFM 模型

1）RFM 模型的概念
a. R：最近一次消费时间间隔；
b. F：消费频率；
c. M：消费金额。

2）RFM 模型的作用：多用于精细化运营，了解用户分布情况。

3）RFM 模型的构建流程
a. 获取含有 RFM 的用户数据；
b. 根据 RFM 的阈值，对用户进行分类。